概要机器学习中的分类模型有逻辑回归、朴素贝叶斯、决策树、支持向量机、随机森林、梯度提升树等分类算法，不仅可以进行二分类，还可以进行多分类。一、逻辑回归逻辑回归的本质就由线性回归演变而来，是一个线性分类器。sklearn实现的LogisticRegression不仅可用于二分类，也可以用于多分类。优点：模型训练速度非常快，计算量只与特征的数目有关。模型的可解释性非常好，从特征的权重可以看到不同特征对

SSESSE（sum squared error，和方差），其公式为：sse=∑i=1m(yi−y^i)2sse=\sum_{i=1}^m(y_i-\hat y_i)^2sse=i=1∑m​(yi​−y^​i​)2其中，yiy_iyi​是真实值，y^i\hat y_iy^​i​表示预测值。MSEMSE（mean squared error，均方误差），其公式为：mse=1m∑i=1m(yi−y^i

本文转自《零基础入门深度学习》系列文章,阅读原文请移步这里之前我们介绍了循环神经网络以及它的训练算法。我们也介绍了循环神经网络很难训练的原因，这导致了它在实际应用中，很难处理长距离的依赖。在本文中，我们将介绍一种改进之后的循环神经网络：长短时记忆网络(Long Short Term Memory Network, LSTM)，它成功的解决了原始循环神经网络的缺陷，成为当前最流行的RNN，在语音识别

概要机器学习中的分类模型有逻辑回归、朴素贝叶斯、决策树、支持向量机、随机森林、梯度提升树等分类算法，不仅可以进行二分类，还可以进行多分类。一、逻辑回归逻辑回归的本质就由线性回归演变而来，是一个线性分类器。sklearn实现的LogisticRegression不仅可用于二分类，也可以用于多分类。优点：模型训练速度非常快，计算量只与特征的数目有关。模型的可解释性非常好，从特征的权重可以看到不同特征对

一、lightGBM模型介绍1. lightGBM模型简介lightGBM模型是一个梯度提升决策树(GBDT)的实现，其本质原理就是利用基分类器(决策树)训练集成，得到最优的模型。相同的模型还有XGBoost，但因为XGBoost模型在多维度的大数据集下，计算效率较差和可扩展性较低(主要原因是对于每个特征，它们都要扫描所有的数据样本来评估所有可能分枝点的信息增益)，lightGBM模型为了解决这个

1、pivot功能介绍pivot函数的定义pivot(index=None,columns=None,values=None) -> DataFramepivot函数的说明通过给定的索引(index)和列(column)的值重新生一个DataFrame对象。根据列值对数据进行整形(生成一个“透视”表)。从指定的索引/列中使用唯一的值来形成结果数据帧的轴。此函数不支持数据聚合，多个值将导致列中